[論文レビュー] OpenStreetMap-based LiDAR Global Localization in Urban Environment without a Prior LiDAR Map

Younghun Cho, Giseop Kim+2 more|arXiv (Cornell University)|Feb 15, 2022

Remote Sensing and LiDAR Applications被引用数 4

ひとこと要約

本論文は、事前構築されたLiDARマップを必要とせず、OpenStreetMap (OSM) の建物データを用いて1次元記述子を生成する、新しいLiDARベースのグローバルローカライゼーション手法を提案する。実時間のLiDARスキャン記述子とOSMから得た記述子を比較することで、PointNetVLADなどの深層学習ベースのLiDARマップ手法と同等の精度を達成し、KITTIシーケンス00においてトップ1の精度でそれを上回る。

ABSTRACT

Using publicly accessible maps, we propose a novel vehicle localization method that can be applied without using prior light detection and ranging (LiDAR) maps. Our method generates OSM descriptors by calculating the distances to buildings from a location in OpenStreetMap at a regular angle, and LiDAR descriptors by calculating the shortest distances to building points from the current location at a regular angle. Comparing the OSM descriptors and LiDAR descriptors yields a highly accurate vehicle localization result. Compared to methods that use prior LiDAR maps, our method presents two main advantages: (1) vehicle localization is not limited to only places with previously acquired LiDAR maps, and (2) our method is comparable to LiDAR map-based methods, and especially outperforms the other methods with respect to the top one candidate at KITTI dataset sequence 00.

研究の動機と目的

• 事前構築されたLiDARマップに依存しないLiDARベースのグローバル車両ローカライゼーションを可能にすること。これらのマップは高コストであり、保守が困難である。
• 既存のOSMベースのローカライゼーション手法が、耐性を高めるために追加のフィルタリングやパーティクルフィルタを必要としているという制限を解決すること。
• 静的なOSM建物データと実時間のLiDARスキャンのみを用いて、効率的かつ正確な記述子ベースの手法を開発すること。
• OSMベースの記述子が、LiDARマップを用いた深層学習ベースの手法と同等の性能を達成できることを示すこと。
• KITTIやKITTI-360といった標準ベンチマークで手法を検証し、都市環境における耐性とスケーラビリティを示すこと。

提案手法

• 定期的な角度間隔（例：1°または2°）で、道路上の各点から最も近い建物までの最短距離をOSMの建物データから計算することで、OSM記述子を生成する。
• 同じ角度分解能で、実時間の3次元点群から建物点までの最小距離を測定することで、LiDAR記述子を抽出する。
• 周囲の建物の空間的配置を符号化する1次元記述子表現を用い、回転不変性を持つマッチングを可能にする。
• 類似度尺度を用いて、クエリスキャンからのLiDAR記述子とデータベース内のすべてのOSM記述子を比較することで、グローバルローカライゼーションを実行する。
• 2段階の検索を実施：まず、記述子類似度に基づいて上位200件の候補を抽出し、次に、より高精度なマッチングステップで上位結果を精査する。
• OSM建物データの静的性質を活用して、LiDARデータ収集を必要としない持続可能なマップ的参照を構築する。

実験結果

リサーチクエスチョン

• RQ1 OSMベースの記述子のみで、事前LiDARマップを必要とせずに正確なグローバルLiDARローカライゼーションが可能か？
• RQ2 LiDARマップに依存する最先端の深層学習手法（例：PointNetVLAD）と比較して、OSMベースのローカライゼーションの性能はどの程度か？
• RQ3 どのような状況でOSM記述子が失敗し、どのような環境要因がその性能を低下させるか？
• RQ4 本手法は、パーティクルフィルターや追加の後処理を用いずに、高いトップ1精度を達成できるか？
• RQ5 リアルタイムの都市環境におけるローカライゼーションタスクにおいて、記述子生成とマッチングプロセスの効率性はどの程度か？

主な発見

• 本手法はKITTIデータセットのシーケンス00においてトップ1精度48.34%を達成し、PointNetVLADの47.90%をわずかに上回った。
• トップ5（56.86% vs. 61.73%）およびトップ10（61.15% vs. 66.79%）の精度においても、PointNetVLADと同等の性能を示し、強力なグローバルローカライゼーション能力を示した。
• 1段階手法ではトップ1精度が19.60%にとどまるが、2段階手法に改善することで48.34%に向上し、候補の精査の有効性を実証した。
• 記述子生成時間は1フレームあたり0.1714秒であり、GPU上で動作するPointNetVLADの0.0690秒と比較しても同等の効率性を示しており、CPU上で実行されているにもかかわらず高い効率性を示した。
• 高速道路など建物のない環境、またはフェンス、木、丘に遮られ建物が検出されない環境では、LiDARスキャンで構造物が検出されないため、手法が失敗する。
• 長距離にわたり繰り返し建物のパターンが現れる場合、記述子の識別能が低下し、複数の類似した候補が生成され、ローカライゼーションの曖昧さが生じる。